ML‑driven Tillståndsskattning & Reglering i Fastfasbatterier

Kungliga Tekniska Högskolan; Stockholms kommun; Presencial; SEK 420 000 - 540 000; Tempo integral

Resumo da oferta

KTH i Stockholm söker en postdoktor inom reglerteknik för att driva projektet Maskininlärningsbaserad tillståndsskattning och reglering av elektrokemiska och mekaniska processer i fastfasbatterier. Du kommer att arbeta nära EECS och bearbeta data från parallella projekt.

Projektet syftar till att förbättra förståelsen av hur laddningsprotokoll, temperatur och belastning påverkar batteriets livslängd genom fysikbaserad modellering och maskininlärning.

Qualificações

• Kravet kräver avlagd doktorsexamen eller motsvarande examen som bedöms motsvara doktorsexamen inom reglerteknik, elektroteknik eller relaterat område.
• Goda kunskaper i engelska, skriftligt och muntligt, krävs i det dagliga arbetet.
• Stark teoretisk bakgrund inom modellering av dynamiska system, tillståndsskattning, reglering och optimering samt kunskap i maskininlärning.
• Vikt läggs på mångfalds- och jämställdhetsfrågor.

Responsabilidades

• Leda och utveckla forskningsprojekt inom postdoktorprogrammet med fokus på kopplade elektrokemiska och mekaniska processer i fastfasbatterier.
• Utveckla reducerade modeller, tillståndsskattning och prediktiva reglerstrategier baserade på experimentella data.
• Samverka över discipliner och delta i rekrytering och mentorskap av nya forskare.

Conhecimentos

Engelska (skriftlig | muntlig)

Maskininlärning

Dynamiska system

Tillståndsskattning

Reglering

Optimering

Samarbete

Formação académica

Doktorsexamen eller motsvarande utländsk examen

Descrição da oferta de emprego

KTH i Stockholm söker en postdoktor inom reglerteknik för att driva projektet Maskininlärningsbaserad tillståndsskattning och reglering av elektrokemiska och mekaniska processer i fastfasbatterier. Du kommer att arbeta nära EECS och bearbeta data från parallella projekt.

Projektet syftar till att förbättra förståelsen av hur laddningsprotokoll, temperatur och belastning påverkar batteriets livslängd genom fysikbaserad modellering och maskininlärning.